[发明专利]基于样本分布特征和SPY算法的软件缺陷预测方法

说明书

本发明公开了一种基于样本分布特征和SPY算法的软件缺陷预测方法；本发明基于软件缺陷数据集的分布特征，提出了边界k值确定公式。根据公式为不同的数据集选择合适的少数类边界样本。此外，本发明将SPY算法和边界采样算法结合，通过边缘样本优化SPY算法，将少数类边界区域的部分多数类样本设置成为SPY样本，并为SPY样本设置较小训练样本权重，在原始少数类边界区域内部使用边界采样的算法。SPY样本可以对边界上的少数类样本起到引导的作用，确保边界区域的少数类样本能够被正确分类。同时，通过为SPY样本设立一个较小的样本权重，减少了SPY样本对多数类样本的分类影响，最终达到一个较好的分类效果。

技术领域

本发明涉及软件缺陷预测方法，具体涉及一种基于样本分布特征和SPY算法的软件缺陷预测方法；本发明是对项目内软件缺陷预测的一种类不平衡处理方法，旨在使用该方法可以平衡软件缺陷数据集，提升模型分类效果，最终帮助测试人员更有效地发现缺陷文件和分配测试资源，从而降低软件测试的成本。

背景技术

对于类别分布均衡的数据集，传统的分类算法能够达到较好的分类效果。但在实际的应用场景中，数据的分布通常是不平衡的，例如金融欺骗、医疗诊断、软件故障等场景。在这些场景中，数据主要分为两大类，大多数样本属于多数类数据，剩余的属于少数类样本。传统的分类算法对不平衡数据进行分类时，会将结果倾向于多数类，而对少数类样本的识别率偏低。但在实际场景中，少数类样本更具有实际的价值。因此，不平衡数据的分类有较高的研究价值。

现有的处理类不平衡数据分类问题的方法主要从两个方面着手：1)数据采样。通过增加少数类数据或是减少多数类数据来平衡原始数据集。其中通过增加少数类样本的方法称为过采样方法，通过减少多数类样本的方法称为欠采样方法。另外还有混合过采样和过采样的混合采样方法。以上这些方法直接从数据数量上进行了平衡，但会改变原始数据的分布。2)分类算法，主要包括两部分：代价敏感学习和集成学习。多数类和少数类样本被误分类的代价是不同的，代价敏感学习通过给两类样本设置不同的误分类惩罚因子，通过提高少数类样本的误分类惩罚因子，来平衡分类器的分类倾向，使少数类样本尽可能被分类正确。代价敏感学习这种方法不会改变原始样本的分布，但是需要确定两类样本的惩罚因子。集成学习方法是将若干个弱分类器组合起来，根据每个弱分类器的分类性能，分配不同的权重并整合成一个强分类器。SPY算法中，将部分少数类样本周围的多数类样本视为SPY样本，并修改其标签，以此来平衡数据集。但由于平衡数据集所需要的SPY样本比较多，这将会影响到多数类样本的正确分类。所以本发明将样本边缘采样和SPY算法结合，优化了SPY样本的选择方式，并对其添加了训练权重的控制，以此提升整体预测性能。

发明内容

本发明针对现有技术的不足，提出了一种基于样本分布特征和SPY算法的软件缺陷预测方法。

本发明基于软件缺陷数据集的分布特征，提出了边界k值确定公式。根据公式为不同的数据集选择合适的少数类边界样本。此外，本发明将SPY算法和边界采样算法结合，通过边缘样本优化SPY算法，提出了一种新的边界过采样方法BSGSMOTE，主要是将少数类边界区域的部分多数类样本设置成为SPY样本，并为SPY样本设置较小训练样本权重，在原始少数类边界区域内部使用边界采样的算法。SPY样本可以对边界上的少数类样本起到引导的作用，确保边界区域的少数类样本能够被正确分类。同时，通过为SPY样本设立一个较小的样本权重，减少了SPY样本对多数类样本的分类影响，最终达到一个较好的分类效果。

本发明主体包括以下步骤：

步骤1)基于软件缺陷数据集提取样本特征；包括获取样本不平衡度、获取同类样本之间的平均距离和获取样本方差；

a)计算样本不平衡度

统计数据集中多数类样本个数与少数类样本个数的比值。计算样

本不平衡度的公式为：

imblance＝num_N/num_P。